Explainable Artificial Intelligence Framework for Predicting Construction Waste and Embodied Carbon in Building Projects Using Literature Calibrated Simulation
Deze studie presenteert een verklaarbaar kunstmatige intelligentie-framework dat gebruikmaakt van een op literatuur gebalibreerde simulatie van 1.200 gebouwarchetypen om bouwafval en de intensiteit van belichaamde koolstof nauwkeurig te voorspellen door middel van geavanceerde regressiealgoritmen en SHAP-gebaseerde kenmerkoptimalisatie, waarmee wordt aangetoond hoe het integreren van materiaaldatagegevens de voorspellende nauwkeurigheid voor besluitvormingsondersteuning in een vroeg stadium verbetert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke keer dat een gebouw uit de grond verrijst, laat het een spoor achter van twee verschillende maar diep verbonden voetafdrukken. De ene is de stapel overgebleven bakstenen, afgeknipt leidingwerk en verpakkingen die op een stortplaats belandt; de andere is de onzichtbare wolk van broeikasgassen die vrijkomt bij de productie van het staal, beton en glas dat de muren vormt. Decennialang hebben ingenieurs en architecten deze twee uitkomsten als afzonderlijke problemen behandeld. Ze berekenen misschien hoeveel afval een project zal genereren, terwijl ze een compleet ander instrumentarium gebruiken om de koolstofemissies te schatten. Toch zijn de keuzes die afval veroorzaken — te veel materiaal bestellen, slecht snijden of laat in het proces het ontwerp aanpassen — precies dezelfde keuzes die bepalen hoeveel vervuiling er in de structuur wordt vastgelegd. Om echt voor de toekomst te bouren, heeft de sector een manier nodig om beide voetafdrukken tegelijkertijd te zien, vanaf de vroegste schetsen, nog voordat de eerste schep de grond raakt.
Een team onderzoekers uit India heeft een nieuwe manier ontwikkeld om precies dat te doen. Ze creëerden een digitaal framework dat kunstmatige intelligentie gebruikt om zowel het bouwafval als de koolstofemissies van de materialen van een gebouw simultaan te voorspellen. De uitdaging waarmee zij werden geconfronteerd, was het gebrek aan real-world data. In de rommelige realiteit van bouwplaatsen worden gegevens over de exacte hoeveelheid gegenereerd afval en de precieze koolstofkosten van elk afzonderlijk materiaal zelden op een manier bijgehouden die gemakkelijk te vergelijken is. Omdat er geen publieke database bestond met deze specifieke, afgestemde informatie, hebben de onderzoekers niet geprobeerd te gokken of records te fabriceren. In plaats daarvan bouwden ze een transparante, computergegenereerde simulatie. Ze creëerden 1.200 virtuele bouwprojecten, variërend van kleine kantoren tot grote ziekenhuizen, en gaven ze realistische kenmerken zoals structurele systemen, klimaatzones en constructiemethoden. Voor elk virtueel project gebruikten ze gevestigde wetenschappelijke formules om exact te berekenen hoeveel afval en koolstof er geproduceerd zou worden, waardoor ze een perfecte "ground truth" creëerden waartegen ze hun voorspellingen konden testen.
De onderzoekers trainden zes verschillende soorten machine learning-algoritmen om naar de basisdetails van een project te kijken — zoals de grootte, het aantal verdiepingen, het type structuur en het lokale klimaat — en de afval- en koolstofuitkomsten te raden. Ze testten deze algoritmen in twee verschillende scenario's. In het eerste scenario kende de computer alleen de ontwerppdetails uit de vroege fase, vergelijkbaar met wat een klant weet wanneer hij voor het eerst een architect inhuurt. In het tweede scenario kreeg de computer het voordeel van de specifieke hoeveelheden materialen, zoals het exacte gewicht van staal of beton dat vereist is. De resultaten toonden aan dat de kunstmatige intelligentie, zelfs met alleen de vroege ontwerppdetails, verrassend nauwkeurige voorspellingen kon doen. Voor bouwafval kon het beste model de hoeveelheid afval voorspellen met een foutmarge van minder dan 12 procent. Het voorspellen van de koolstofemissies was echter moeilijker zonder de specifieke materiaalaantallen te kennen. Wanneer de computer de extra informatie over de hoeveelheden materiaal kreeg, verbeterde het vermogen om koolstofemissies te voorspellen drastisch, waarbij de foutmarge met de helft werd verminderd.
Wat dit werk bijzonder waardevol maakt, is dat de onderzoekers niet alleen een "black box" hebben gebouwd die simpelweg een getal uitspuugt. Ze hebben hun systeem uitgerust met een functie die uitlegt waarom het een specifieke voorspelling heeft gedaan. Door de data te analyseren, identificeerde het systeem de belangrijkste drijfveren achter de afval- en koolstofcijfers. Het stelde vast dat het type structureel systeem — of een gebouw nu van gewapend beton, staal of hout is gemaakt — de belangrijkste factor was. Het aantal verdiepingen, de hoeveelheid gerecycled materiaal en de verhouding tussen ramen en wandoppervlak speelden ook belangrijke rollen. Zo bevestigde de simulatie dat het gebruik van meer geprefabriceerde onderdelen, die in gecontroleerde fabrieken worden gemaakt, over het algemeen leidt tot minder afval op de bouwplaats. Deze verklaringen stellen architecten en ingenieurs in staat om te begrijpen welke knoppen ze kunnen bedienen. Ze kunnen zien dat het kiezen van een ander structureel systeem of het verhogen van het gebruik van gerecycled materiaal direct de voorspelde uitkomsten zal veranderen.
De studie onthulde ook een cruciale nuance over hoe deze tools gebruikt moeten worden. De onderzoekers ontdekten dat de meest complexe, krachtige algoritmen niet altijd de beste keuze waren. Voor het voorspellen van koolstofemissies presteerde een eenvoudiger, directer wiskundig model net zo goed als de complexe modellen zodra de materiaalaantallen bekend waren. Dit suggereert dat in de echte wereld het beste instrument afhangt van de beschikbare informatie. Als een team zich in de zeer vroege ontwerpfase bevindt, is een geavanceerd model dat verborgen patronen in algemene projectdetails kan vinden nuttig. Maar zodra de materiaalaantallen bekend zijn, kan een eenvoudiger, transparanter model net zo nauwkeurig en makkelijker te vertrouwen zijn. De onderzoekers benadrukken dat hun resultaten gebaseerd zijn op een gecontroleerde simulatie, niet op een specifieke echte stad of markt, dus de exacte cijfers moeten niet als een garantie voor elk toekomstig gebouw worden beschouwd. Het framework zelf bewijst echter dat het mogelijk is om afval- en koolstofvoorspelling te combineren in één enkel, verklaarbaar systeem. Deze aanpak biedt een weg voorwaarts voor de bouwsector om eerder in het proces slimmere, duurzamere beslissingen te nemen, zodat de gebouwen van morgen niet alleen efficiënt zijn, maar ook schoner en minder verspillend vanaf de allereerste lijn die op een blauwdruk wordt getrokken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.